发展科技 信息先导

当今,科学技术的发展一日千里,新门类、新学科不断出现,科技园林硕果累累,在这种情况下,成果之撷取唯捷足者先登,差之毫厘则失之千里。因而成功之契机稍纵即逝,技术的竞争十分激烈。在材料及热处理领域中,情况亦复如此。物理学、化学、电子学等诸多相关学科的许多成果被迅速地应用于材料及热处理领域。不少传统的观念和技艺正面临着冲击和变革,处于这样一个观念更新、知识爆炸的时代,就要求我们及时地掌握大量的外界信息,而《国外金属热处理》正是我们较全面地了解国外热处理技术的津梁。     

基于Zigbee和GPRS相结合的粮食数量无线监控系统设计

在粮仓底面及侧壁排布压力传感器,通过压强值拟合出粮食数量.提出了一种将Zigbee短距离无线通信技术与GPRS相结合的远程粮情数据无线传输设计方案,完成了传感器网络中数据采集节点以及网络协调节点的硬件平台设计,并基于该平台开发了适合于粮情数据实时传输的通信协议及软件.测试表明,该系统完全可以测量粮仓中的储粮数量,测量误差不大于5％.     

基于神经网络的信息收集机器人导航界面

采用任务分派型策略远程导航一个坦克型救援机器人，为某化工厂在灾难发生时收集危险信息。远程人员用鼠标点击目标图像给出导航任务。系统自动计算目标方位，并规划路径，发出底层命令，将机器人移动到目标位置。系统采用BP神经网络技术，从被点击的目标图像在窗口中的位置求解目标的世界坐标。实验结果表明，基于神经网络的导航界面能够很好地实现远程人员分派的导航任务。     

一种改进的支持向量机的文本分类算法

在文本分类中,应用支持向量机(SVM)算法能使分类在小样本的条件下具有良好的泛化能力.但支持向量机的参数取值决定了其学习性能和泛化能力.为提高支持向量机算法的性能,提出了一种采用免疫算法对支持向量机参数进行优化的文本分类算法(IA-SVM).算法减少了对支持向量机参数选择的盲目性,提高了SVM的预测精度.实验表明,IA-SVM算法在文本分类问题上明显提高了分类正确牢,学习速度也有提高.     

基于聚类和密度的KNN分类器训练样本约减方法

提出了一种基于聚类和密度的KNN分类器训练样本约减方法。使用KNN分类器进行文本分类的时侯,由于训练样本在类别内分布的不均匀,会造成分类准确性的下降,而且相似度计算量非常大。新方法根据训练样本的密度采用聚类的方法,约减了一定数量的“噪声”样本。实验表明,使用该方法能同时提高KNN分类器的准确率和效率。     

笔迹鉴别预处理与特征抽取技术研究

笔迹鉴别是身份鉴别技术中的一种有效方法。本文介绍了基于笔迹的身份鉴别的技术特点、研究背景及发展趋势。对与文本无关的笔迹鉴别中预处理和特征提取技术进行了细致的研究,以vc6.0为平台进行了相关的试验,并指出了笔迹鉴别技术的发展方向。     

多类支持向量机文本分类方法

文本分类是数据挖掘的基础和核心,支持向量机(SVM)是解决文本分类问题的最好算法之一.传统的支持向量机是两类分类问题,如何有效地将其推广到多类分类问题仍是一项有待研究的课题.介绍了支持向量机的基本原理,对现有主要的多类支持向量机文本分类算法进行了讨论和比较.提出了多类支持向量机文本分类中存在的问题和今后的发展.     

应用于硅基等离子天线的横向PIN二极管的研究

介绍了横向PIN二极管及其在硅基等离子天线方面的应用,用一维理论分析了载流子大注入情况下横向PIN二极管本征区载流子浓度分布.对横向PIN二极管进行了物理建模,仿真分析了本征区长度、二氧化硅埋层、电极长度、结区掺杂浓度及表面电荷对横向PIN二极管本征区载流子浓度的影响,总结了横向PIN二极管的一般设计规则.     

基于SVR的粮仓储粮重量在线检测模型

粮仓储粮重量自动检测是国家粮食安全的重要保障技术.本文针对粮堆散粒体特性,建立了粮仓储粮重量与粮仓底面和侧面压强的数学关系,证明了基于压力传感器进行粮仓数量在线检测的可行性.提出了基于内外圈两圈布置的压力传感器布置模型和基于多项式展开的粮仓储粮重量检测模型,利用内外圈传感器输出值均值的多项式展开构建粮仓储粮重量估计.针对实仓检测中内外圈传感器输出值均值存在较大波动的问题,提出了基于SVR的粮仓储粮重量检测模型,给出了SVR输入项序列的具体提取方法,设计了具体的建模算法.实验表明,实验粮仓检测模型建模与预测结果的误差小于±3%,证明了所提出的粮仓储粮重量检测模型与方法的有效性,可以满足国家粮仓储粮重量检测的要求.     

基于区域限制的EM和图割的非监督彩色图像分割方法

提出一种基于区域限制的EM(Expectation Maximization)和图割的非监督彩色图像分割方法,以解决自动确定分割类数问题.首先,生成图像的超像素,提取图像的CIE Lab颜色特征和多尺度四元数Gabor滤波特征;为了高效自动地确定分割类数,同时避免因直接使用超像素造成的奇异值问题,对每一个超像素采样并使用采样像素表示超像素;然后采用高斯混合模型对采样像素集合进行建模,使用加入区域限制的分量EM自动获取模型组件数及参数,最后使用图割结合高斯混合模型对图像进行优化,获取最终分割结果.实验结果表明,该方法在分割效率和分割质量上均得到较大提升.